In this chapter, you'll revisit dplyr pipelines and enhance your column selection skills with helper functions and regular expressions.

Be fruitful and dplyr

select() vs. filter()

A great selection

Mutation necessary

Lending a helper hand

Don't get me started

See how that ended up

Finding our perfect match

Contain-ted love

Looking for matches

Hold Your Selected Leaders Accountable

Here, you'll learn how to move columns around in your data and perform the same transformation across multiple data columns. You'll also choose rows that match any or all column criteria.

Providing relocation assistance

Moving with select() and everything()

Rearranging with select() and last_col()

Shifting positions with relocate()

That has crossed the line

Mutate across multiple columns

Summarize across multiple variables

Combining count() with across()

Animal crossing: new rowwise's

across() vs. c_across()

Aggregations with rowwise()

One for any, one for all

Keep Them Dogies Movin’

For this section, you'll revisit dplyr joins. You'll then take this further by using set theory clauses to examine overlaps and differences between datasets.

Join together for fun

Join with me

Further investigations

Lines that intersect are without parallel

Intersect vs. inner join

Speeding through the intersection

Deliver the state of the union

Save the union

Sign up for your local union, all

A little too excepting

Checking for equal sets

Checking for differences

Set Theory Claus and The North Pole

In this final part of the course, you'll use rlang operators to turn arguments into variables and create functions that incorporate dplyr and ggplot2 code.

Qual è il tuo maggiore mal‑function?

Tassi di disoccupazione per regione

Tassi mediani di disoccupazione per gruppo

Bang-bang!!

Opzioni

Corrette

Errate

Abbinare gli operatori di rlang

Bang bang nella stanza

Rlang-ando sulla tua sedia a dondolo

You are the walrus

Analizza i risultati per regione

Un grande colpo di scena con ggplot

Trame e grafici

Il titolo del grafico si infittisce

Congratulazioni!

Speaking a New rlang-uage

International Monetary Fund (IMF)

World Bank

Il tidyverse include un insieme straordinario di pacchetti che rendono il lavoro con i dati semplice e veloce. Ma hai mai provato a inserire funzioni dplyr dentro altre funzioni e ti sei ritrovatə con errori strani o risultati inattesi? Probabilmente era colpa della tidy evaluation, che richiede un po’ di lavoro in più per essere gestita. In Programming with dplyr, imparerai strategie per risolvere questi errori usando il pacchetto rlang. Scoprirai anche altre tecniche per programmare con dplyr utilizzando dati della World Bank e dell’International Monetary Fund per analizzare tendenze globali lungo tutto il corso. Alla fine, sarai un* ninja della scrittura di funzioni tidyverse!

Joining Data with dplyr

Introduction to Writing Functions in R

Impara a eseguire trasformazioni avanzate con dplyr e integrare codice dplyr e ggplot2 in funzioni.

Programmare con dplyr

Impara come fare trasformazioni avanzate con dplyr e come mettere il codice dplyr e ggplot2 nelle funzioni.

Analizza i risultati per regione

Programmare con dplyr

Esercizio pratico interattivo